CN116402995A - 基于轻量级神经网络的古建筑点云语义分割方法及系统 - Google Patents
基于轻量级神经网络的古建筑点云语义分割方法及系统 Download PDFInfo
- Publication number
- CN116402995A CN116402995A CN202310191592.9A CN202310191592A CN116402995A CN 116402995 A CN116402995 A CN 116402995A CN 202310191592 A CN202310191592 A CN 202310191592A CN 116402995 A CN116402995 A CN 116402995A
- Authority
- CN
- China
- Prior art keywords
- neural network
- point cloud
- module
- semantic segmentation
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 80
- 230000011218 segmentation Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004821 distillation Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 230000002776 aggregation Effects 0.000 claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 16
- 230000006835 compression Effects 0.000 claims description 13
- 238000007906 compression Methods 0.000 claims description 13
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000013140 knowledge distillation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000013138 pruning Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于轻量级神经网络的古建筑点云语义分割方法及系统，包括：构建具有编码器‑解码器结构的神经网络，通过自蒸馏模块对神经网络进行压缩，生成初始轻量级神经网络，其中，编码器利用局部特征聚合模块来提取特征信息；获取古建筑点云数据样本集作为初始轻量级神经网络的输入，进行网络训练，并通过引入对比边界学习模块，利用随机采样对点云进行下采样，构建轻量级神经网络；基于轻量级神经网络，以待测点云数据作为网络输入，得到点云语义分割结果；本发明在保持较高的语义分割精度的同时，又提升了语义分割算法的效率，减少对设备的要求，是进行大规模古建筑点云语义分割的有效解决方案。
Description
技术领域
本发明涉及古建筑点云数据语义分割技术领域，具体而言，涉及基于轻量级神经网络的古建筑点云语义分割方法及系统。
背景技术
随着古建筑文物受到广泛关注，利用三维激光扫描技术可以更加真实的获取古建筑的尺寸和各种建筑细节，利用点云语义分割进行古建筑点云各种木构件的自动分割已成为古建筑后期精细化保护修缮的重要一环。传统的古建筑语义分割算法通常过分依赖人工设计特征，且易受到噪声和数据的影响，因此在大规模场景下效率较低。近年来，研究员将目光转入利用深度学习来进行自动提取特征。自2017年Charles等提出用于语义分割的PointNet网络之后，涌现了大量点云语义分割方法，如：PointNet++、DGCNN、RandLA-Net等等。并且已经证明基于深度学习的语义分割方法比传统的语义分割算法更具有优势，已被广泛用于点云信息的自动分割。
但由于点云数据数据量大的特点，往往存在计算量大，训练时间长、对设备要求高的问题。因此，急需设计一种轻量级神经网络的古建筑点云语义分割的方法，在提高分割精度的同时，大幅度提高点云的语义分割效率，降低其对设备的要求。
发明内容
为了解决上述问题，本发明的目的是提供，用于解决现有语义分割网络面对大规模点云数据因参数量、计算量所导致的分割算法运行效率低下，对运行设备要求高的问题。
为了实现上述技术目的，本申请提供了基于轻量级神经网络的古建筑点云语义分割方法，包括以下步骤：
构建具有编码器-解码器结构的神经网络，通过自蒸馏模块对神经网络进行压缩，生成初始轻量级神经网络，其中，编码器利用局部特征聚合模块来提取特征信息；
获取古建筑点云数据样本集作为初始轻量级神经网络的输入，进行网络训练，并通过引入对比边界学习模块，利用随机采样对点云进行下采样，构建轻量级神经网络；
基于轻量级神经网络，以待测点云数据作为网络输入，得到点云语义分割结果。
优选地，在构建神经网络的过程中，编码器由自注意力卷积集成模块和局部空间编码模块组成，其中，自注意力卷积集成模块用于对浅层特征和深层特征加权进行融合，点云通过每一层的局部特征编码模块丰富与学习点的特征。
优选地，在通过自注意力卷积集成模块对浅层特征和深层特征加权进行融合的过程中，通过使用卷积对输入特征进行映射，获得中间特征集；并对中间特征进行重用和聚合，进而实现融合。
优选地，在对中间特征进行重用和聚合的过程中，通过Self-Attention方式和卷积方式，对中间特征进行重用和聚合。
优选地，在生成初始轻量级神经网络的过程中，自蒸馏模块用于通过限制每个小批次样本的一半与前一个迭代相吻合来重新安排顺序采样，同时，其余的一半将与即将到来的迭代相吻合，之后，前一半的小批次对上一次迭代中产生的软目标进行即时提炼，实现对神经网络进行压缩。
优选地，在通过对比边界学习模块对点云进行下采样的过程中，通过在多个尺度上进行探查，在每个子采样进行子场景标注，利用子抽样程序来迭代确定标签，进而实现获取学习边界区域周围的特征，增强跨边界的特征识别能力。
本发明还公开了基于轻量级神经网络的古建筑点云语义分割系统，包括：
神经网络压缩模块，用于构建具有编码器-解码器结构的神经网络，通过自蒸馏模块对神经网络进行压缩，生成初始轻量级神经网络，其中，编码器利用局部特征聚合模块来提取特征信息；
语义分割网络构建模块，用于获取古建筑点云数据样本集作为初始轻量级神经网络的输入，进行网络训练，并通过引入对比边界学习模块，利用随机采样对点云进行下采样，构建轻量级神经网络；
语义分割模块，用于基于轻量级神经网络，以待测点云数据作为网络输入，得到点云语义分割结果。
本发明公开了以下技术效果：
与现有技术相比，本发明通过自蒸馏模块搭建的轻量级语义分割网络，利用自注意力卷积集成模块减少了几何特征损失，逐步增大每个点的感受野进而提高了对点云内部特征的学习能力，并采用子场景边界挖掘策略，着重学习地物边缘区域，从而提升语义分割精度。与此同时，引入自蒸馏的思想，通过在每个批次中进行自我蒸馏，对模型进行轻量化。因此，本发明在保持较高的语义分割精度的同时，又提升了语义分割算法的效率，减少对设备的要求，是进行大规模古建筑点云语义分割的有效解决方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所述的方法流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，本申请提供了基于轻量级神经网络的古建筑点云语义分割方法，包括以下步骤：
构建具有编码器-解码器结构的神经网络，通过自蒸馏模块对神经网络进行压缩，生成初始轻量级神经网络，其中，编码器利用局部特征聚合模块来提取特征信息；
获取古建筑点云数据样本集作为初始轻量级神经网络的输入，进行网络训练，并通过引入对比边界学习模块，利用随机采样对点云进行下采样，构建轻量级神经网络；
基于轻量级神经网络，以待测点云数据作为网络输入，得到点云语义分割结果。
进一步优选地，在构建神经网络的过程中，本发明提到的编码器由自注意力卷积集成模块和局部空间编码模块组成，其中，自注意力卷积集成模块用于对浅层特征和深层特征加权进行融合，点云通过每一层的局部特征编码模块丰富与学习点的特征。
进一步优选地，在通过自注意力卷积集成模块对浅层特征和深层特征加权进行融合的过程中，本发明通过使用卷积对输入特征进行映射，获得中间特征集；并对中间特征进行重用和聚合，进而实现融合。
进一步优选地，在对中间特征进行重用和聚合的过程中，本发明通过Self-Attention方式和卷积方式，对中间特征进行重用和聚合。
进一步优选地，在生成初始轻量级神经网络的过程中，本发明提到的自蒸馏模块用于通过限制每个小批次样本的一半与前一个迭代相吻合来重新安排顺序采样，同时，其余的一半将与即将到来的迭代相吻合，之后，前一半的小批次对上一次迭代中产生的软目标进行即时提炼，实现对神经网络进行压缩。
进一步优选地，在通过对比边界学习模块对点云进行下采样的过程中，本发明通过在多个尺度上进行探查，在每个子采样进行子场景标注，利用子抽样程序来迭代确定标签，进而实现获取学习边界区域周围的特征，增强跨边界的特征识别能力。
本发明还公开了基于轻量级神经网络的古建筑点云语义分割系统，包括：
神经网络压缩模块，用于构建具有编码器-解码器结构的神经网络，通过自蒸馏模块对神经网络进行压缩，生成初始轻量级神经网络，其中，编码器利用局部特征聚合模块来提取特征信息；
语义分割网络构建模块，用于获取古建筑点云数据样本集作为初始轻量级神经网络的输入，进行网络训练，并通过引入对比边界学习模块，利用随机采样对点云进行下采样，构建轻量级神经网络；
语义分割模块，用于基于轻量级神经网络，以待测点云数据作为网络输入，得到点云语义分割结果。
本发明还公开了一种计算机程序，用来实现古建筑点云语义分割方法的逻辑过程，进而形成了一种可执行程序，嵌入到智能设备中，用于通过采集古建筑点云数据并进行语义分割。
本发明还公开了一种可移动存储设备，用于承载古建筑点云语义分割系统，并与智能装置进行数据交互，根据智能装置采集的古建筑点云数据，作为智能装置的外设，辅助智能装置进行语义分割，使得智能装置具备了对于古建筑点云数据的语义分割功能，提升了装置的功能以及实用性。
实施例1：本发明公开的轻量级神经网络的古建筑点云语义分割方法，它属于一种网络结构模型，其解决了现有技术中点云语义分割方法存在模型结构复杂需配置较高设备的缺陷。本发明方法包括：网络的搭建、训练以及测试。网络具有编码解码结构，基于点云数据样本集进行网络训练后，将测试集输入网络，得到点云数据的分割结果。本发明一方面首先通过注意力卷积集成来降低计算复杂度，提高关键特征获取能力，然后通过对比边界学习增强跨边界特征的辨别能力，从而提高大规模点云语义分割的效率与精度。另一方面，通过自蒸馏进行自我知识提炼，使所提出的模型能够准确高效地实现点云的语义分割。
本发明提供的一种轻量级神经网络的古建筑点云语义分割的方法，具体包括以下过程：网络的搭建、训练以及测试，该网络为pytorch深度学习框架构建编码器-解码器结构的深度语义分割网络，基于点云数据样本集进行网络训练后，以待测古建筑点云数据作为网络输入，得到点云语义分割结果。所属网络训练包含以下步骤:
步骤1：将古建筑点云数据样本分为训练集、验证集与测试集；
步骤2：读入训练集的三维点云数据与对应的标签点云，为充分利用训练样本集，对原始大幅点云数据与标签数据进行随机采样，设置每轮训练采样频率，并根据显存大小设置采样尺寸参数，对点云数据与标签数据同时进行随机位置采样。
步骤3：设置学习率、指数衰减速率、正则化系数训练深度网络，选择验证集精度最高的深度网络用于古建筑点云数据的语义分割。
本发明提到的轻量级神经网络，该网络呈现编码器-解码器结构，基于点云数据样本集进行网络训练后，以待测点云数据作为网络输入，得到点云语义分割结果。
编码器利用局部特征聚合模块来提取特征信息，其中包含自注意力卷积集成模块和局部空间编码模块，自注意力卷积集成模块对浅层特征和深层特征加权进行融合，首先，通过使用卷积对输入特征进行映射，获得丰富的中间特征集；然后，按照不同的模式(分别以Self-Attention方式和卷积方式)重用和聚合中间特征。点云通过每一层的局部特征编码模块丰富与学习点的特征。
在此基础上，增强跨边界的特征识别能力，为了增强边缘特征的获取能力，采用对比边界学习模块，利用随机采样对点云进行下采样，在采样过程中，发现每个子采样点云中的边界点，对于边界点，使它学习到与同一类别中相邻点更相似且与不同类别中其他相邻点更有区别的表示，但由于子采样点的标签未定义，很难得到边界点集的正确定义，因此为了更好地探索边界场景，在多个尺度上进行探查，在每个子采样进行子场景标注，利用子抽样程序来迭代确定标签，最终实现更好的学习边界区域周围的特征。
在实现良好的分割精度后，对模型进行轻量化。通过引入自蒸馏模块进行模型压缩，在训练阶段，它通过限制每个小批次的一半与前一个迭代相吻合来重新安排顺序采样。同时，其余的一半将与即将到来的迭代相吻合。之后，前一半的小批次对上一次迭代中产生的软目标进行即时提炼。在此机制中，网络在训练的每个小批次中都扮演着教师和学生的双重角色，作为老师，它提供软目标以在下一次迭代中规范自己。作为学生，它提炼出上一次迭代产生的平滑标签，并使监督学习目标最小化，最终达到较好的轻量化效果。
对于使用自蒸馏模块的自蒸馏技术进行模型轻量化也可采用知识蒸馏来替代，它通过将知识从强大但繁琐的网络转移到轻量级网络，进行模型压缩。但它也具有不足之处，它要么需要额外的网络结构修改，要么难以并行化。除此以外，还可采取剪枝的网络压缩技术，它可以有效地去除网络的权值或神经元，并保持准确性。由于剪枝简化了神经网络，剪枝后的教师模型提供的知识对学生模型较为友好，更容易转移。除此以外，还可进行先剪枝后蒸馏，先对复杂模型进行剪枝提高知识提取的能力，知识从稀疏网络(非结构化剪枝)转移到具有较少信道的网络，进行知识蒸馏，以达到模型压缩的效果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.基于轻量级神经网络的古建筑点云语义分割方法，其特征在于，包括以下步骤：
构建具有编码器-解码器结构的神经网络，通过自蒸馏模块对所述神经网络进行压缩，生成初始轻量级神经网络，其中，所述编码器利用局部特征聚合模块来提取特征信息；
获取古建筑点云数据样本集作为所述初始轻量级神经网络的输入，进行网络训练，并通过引入对比边界学习模块，利用随机采样对点云进行下采样，构建轻量级神经网络；
基于所述轻量级神经网络，以待测点云数据作为网络输入，得到点云语义分割结果。
2.根据权利要求1所述基于轻量级神经网络的古建筑点云语义分割方法，其特征在于：
在构建神经网络的过程中，所述编码器由自注意力卷积集成模块和局部空间编码模块组成，其中，所述自注意力卷积集成模块用于对浅层特征和深层特征加权进行融合，点云通过每一层的所述局部特征编码模块丰富与学习点的特征。
3.根据权利要求2所述基于轻量级神经网络的古建筑点云语义分割方法，其特征在于：
在通过自注意力卷积集成模块对浅层特征和深层特征加权进行融合的过程中，通过使用卷积对输入特征进行映射，获得中间特征集；并对中间特征进行重用和聚合，进而实现融合。
4.根据权利要求3所述基于轻量级神经网络的古建筑点云语义分割方法，其特征在于：
在对中间特征进行重用和聚合的过程中，通过Self-Attention方式和卷积方式，对所述中间特征进行重用和聚合。
5.根据权利要求4所述基于轻量级神经网络的古建筑点云语义分割方法，其特征在于：
在生成初始轻量级神经网络的过程中，所述自蒸馏模块用于通过限制每个小批次样本的一半与前一个迭代相吻合来重新安排顺序采样，同时，其余的一半将与即将到来的迭代相吻合，之后，前一半的小批次对上一次迭代中产生的软目标进行即时提炼，实现对所述神经网络进行压缩。
6.根据权利要求5所述基于轻量级神经网络的古建筑点云语义分割方法，其特征在于：
在通过对比边界学习模块对点云进行下采样的过程中，通过在多个尺度上进行探查，在每个子采样进行子场景标注，利用子抽样程序来迭代确定标签，进而实现获取学习边界区域周围的特征，增强跨边界的特征识别能力。
7.根据权利要求6所述基于轻量级神经网络的古建筑点云语义分割方法，其特征在于：
在对神经网络进行压缩的过程中，采取自蒸馏的网络压缩方法，通过在每个批次中进行自我迭代提炼后，所述自蒸馏模块对所述神经网络进行压缩，其中，所述自蒸馏模块具有自蒸馏功能或知识蒸馏功能。
8.基于轻量级神经网络的古建筑点云语义分割系统，其特征在于，包括：
神经网络压缩模块，用于构建具有编码器-解码器结构的神经网络，通过自蒸馏模块对所述神经网络进行压缩，生成初始轻量级神经网络，其中，所述编码器利用局部特征聚合模块来提取特征信息；
语义分割网络构建模块，用于获取古建筑点云数据样本集作为所述初始轻量级神经网络的输入，进行网络训练，并通过引入对比边界学习模块，利用随机采样对点云进行下采样，构建轻量级神经网络；
语义分割模块，用于基于所述轻量级神经网络，以待测点云数据作为网络输入，得到点云语义分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310191592.9A CN116402995A (zh) | 2023-02-24 | 2023-02-24 | 基于轻量级神经网络的古建筑点云语义分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310191592.9A CN116402995A (zh) | 2023-02-24 | 2023-02-24 | 基于轻量级神经网络的古建筑点云语义分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116402995A true CN116402995A (zh) | 2023-07-07 |
Family
ID=87013118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310191592.9A Pending CN116402995A (zh) | 2023-02-24 | 2023-02-24 | 基于轻量级神经网络的古建筑点云语义分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116402995A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116958553A (zh) * | 2023-07-27 | 2023-10-27 | 石河子大学 | 基于无参注意力和点级卷积的轻量级植物点云分割方法 |
-
2023
- 2023-02-24 CN CN202310191592.9A patent/CN116402995A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116958553A (zh) * | 2023-07-27 | 2023-10-27 | 石河子大学 | 基于无参注意力和点级卷积的轻量级植物点云分割方法 |
| CN116958553B (zh) * | 2023-07-27 | 2024-04-16 | 石河子大学 | 基于无参注意力和点级卷积的轻量级植物点云分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
| CN110210513B (zh) | 数据分类方法、装置及终端设备 | |
| CN110399850A (zh) | 一种基于深度神经网络的连续手语识别方法 | |
| CN111932529B (zh) | 一种图像分类分割方法、装置及系统 | |
| CN113435269A (zh) | 一种基于YOLOv3改进的水面漂浮物检测与识别方法及系统 | |
| CN114092815B (zh) | 一种大范围光伏发电设施遥感智能提取方法 | |
| CN112905828B (zh) | 一种结合显著特征的图像检索器、数据库及检索方法 | |
| CN114220458B (zh) | 基于阵列水听器的声音识别方法和装置 | |
| CN110599502A (zh) | 一种基于深度学习的皮肤病变分割方法 | |
| CN113269224A (zh) | 一种场景图像分类方法、系统及存储介质 | |
| CN114511710A (zh) | 一种基于卷积神经网络的图像目标检测方法 | |
| CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
| CN112036249A (zh) | 端对端行人检测及属性识别的方法、系统、介质及终端 | |
| CN116402995A (zh) | 基于轻量级神经网络的古建筑点云语义分割方法及系统 | |
| CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
| CN115984564A (zh) | 一种基于体素聚类和稀疏卷积的点云语义分割方法和系统 | |
| CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
| CN114299305A (zh) | 聚合密集和注意力多尺度特征的显著性目标检测算法 | |
| CN112215199B (zh) | 基于多感受野与密集特征聚合网络的sar图像舰船检测方法 | |
| CN114373104A (zh) | 一种基于动态聚合的三维点云语义分割方法及系统 | |
| CN109344309A (zh) | 基于卷积神经网络堆叠泛化的文档图像分类方法和系统 | |
| CN111046213B (zh) | 一种基于图像识别的知识库构建方法 | |
| CN116993639A (zh) | 基于结构重参数化的可见光与红外图像融合方法 | |
| CN114445280B (zh) | 一种基于注意力机制的点云下采样方法 | |
| CN115984949A (zh) | 一种带有注意力机制的低质量人脸图像识别方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |